Modelo ARIMA para Predio de Fluxos de Trfego Baseado em Anlise

Wavelet.
Resumo-Como o fluxo de trfego tem as caractersticas de interferncia
no-linear e forte, tem caractersticas diferentes em diferentes tempo-freqncia
espaos. Em primeiro lugar, este artigo utiliza o mtodo de anlise wavelet,
decompe-se um grupo de sinais de trnsito originais fluxo contendo informaes
resumidas em srie de sinais de tempo de seqncia que tenham caracteres
diferentes, ento faz uso da capacidade linear boa montagem do modelo ARIMA
processa o sinal de tempo wavelet anlise atravs do modelo ARIMA. Usando
Matlab e SPSS, os dados de fluxo de trfego medidos foram analisados verificada.
Os resultados da experincia mostram que o modo de combinar a anlise wavelet
com modelo ARIMA pode reduzir o erro de predio de forma eficaz, e a melhorar
a preciso de previso em cerca de 80%, deste modo tem de viabilidade alta.
I. Introduo
Previso de fluxo de trfego o bsico de engenharia de trfego. planejamento de
transporte e controle de trfego, o fluxo de trfego das previses oportunas e precisas
melhorar a distribuio do fluxo de trfego e os fatores-chave de controle, de modo que o
tempo real a previso de fluxo de trnsito est se tornando cada vez mais importante.
Atualmente, h uma srie de mtodos de previso, mas a pesquisa mostra que vrios
mtodos tm suas vantagens e desvantagens, no qualquer um pode atender a previso de
todos da srie histrica. Mdia Mvel (MA) simples, mas a preciso da previso no
alta; ARIMA, Kalman e Bayesiana modelo de rede tem previso de alta preciso e
tcnica madura, mas os seus mtodos de modelagem so entediantes, inteligncia
artificial e redes neurais esto aptos para a montagem no-linear, mas facilmente cair
mnimo local, que tem convergncia lenta; modelo SVM adequado para a previso de
pequenas amostras, que capaz de obter o timo global, mas a previso muito sensvel
funo kernel [1-2].
Bates, etc ter proposto as idias de previso de combinao, em 1969, este
mtodo como que, para alguns mtodos que participaram em combinao, a escolha de
mtodos adequados para combinar seus resultados, para desempenhar as respectivas
vantagens e melhorar a preciso da previso [3]. Anlise Wavelet decomposto de um
conjunto de sinais de trnsito original, que tinha informaes completas em vrias sries
temporais com caractersticas diferentes do sinal, para refletir e distinguir a tendncia

inerente e perturbaes aleatrias entre os sinais de trnsito, e modelo ARIMA teve boa
capacidade de ajuste linear. Portanto, este artigo apresenta um modelo hbrido baseado
em ARIMA e anlise wavelet (WAARIMA). Primeiro de tudo, levando o sinal de
trnsito original em decomposio wavelet e de reconstruo, e em seguida, usando
modelo ARIMA para prever o fluxo de trfego, e realizar anlise e previso com Matlab
e SPSS. Combinando os mtodos estatsticos com anlise wavelet, que deu o jogo
completo para as vantagens de ambos os modelos para
II. Decomposio e Reconstruo Wavelet
Na frmula, j = 0,1, , j-1, H, G, respectivamente, para suportar passa baixa e
filtros passa-alto. A j o coeficiente aproximao aps a decomposio, D j representam
coeficientes de detalhe.
Decomposio Wavelet como mostrado na Fig. 1, definido como o X Um sinal
original, de modo a X tipo pode ser dividido em D0, D1, ... , D Janda j (j o nvel de
decomposio mxima):

Wavelet processo de reconstruo, como mostrado na Fig. 2, o sinal

decomposto por Mallat algoritmo pode ser reconstruda com o algoritmo de
reconstruo, que descreve como:

III. Modelo Arima

ARIMA modelo, tambm conhecido como o modelo de Box-Jenkins famoso,
que era uma modelagem de sries temporais, fundada no incio dos anos 70 por Box e
Jenkins, e era uma forma mista de AR e MA, que pode ser estendido para analisar a
srie temporal incluindo tendncias sazonais [5]

Se tomar uma srie temporal no-estacionria por diferena d tempo, que

torna-se estvel, em seguida, com uma ARMA suave (p, q) como seu modelo de
gerao, bem, ento podemos dizer que a srie temporal original como autoregressivo
srie de tempo integrado de mdia mvel, denotado como ARIMA (p, d, q). Onde AR
a auto-regressivo, p o fator de auto-regressivo, MA a mdia mvel, q o ciclo de
vida de mdia mvel, d a freqncia de diferena desde sries de tempo se tornar
estacionria [2], ento o modelo de previso pode ser escrita como (5), na frmula, vt
so valores de amostra, i (i = 1,2, ", p) e EJ (j = 1,2,", q) so parmetros do modelo,
t uma sequncia de rudo branco cumpridas normalmente distribudo, p, d, q so os
pedidos de modelo.
Geralmente, tendo a funo de autocorrelao (ACF) e funo de autocorrelao
parcial (FACP) para julgar a srie temporal 'estacionria, ento, determinar o valor de p,
q [6], TABELA I.
Se o coeficiente de autocorrelao (ACF) aumenta com o atraso, e rapidamente
tende a 0, ento a srie temporal estacionria.
Se o coeficiente de autocorrelao (ACF) aumenta com o atraso, no tende a 0,
ento a srie temporal no estacionria. Ao mesmo tempo, h uma certa tendncia
em aumento ou diminuio, de modo a necessidade de colocar-se em dados de
processamento de diferena. Se heterocedasticidade existente, o que precisamos fazer
tomar processamento tcnico de dados, at que os dados processados a funo de
correlao eo valor de funo parcial correlao no significativamente diferente de
zero.
ARIMA modelagem e previso tem cinco etapas:
Passo 1: validao de dados. Com base na srie de histogramas de tempo ".
autocorrelao e plotagem da funo autocorrelao parcial para testar a sua
variance.trend e variao sazonal por ADF de raiz unitria, para identificar seqncia
estacionria.

Passo 2: processamento estacionria. Usando o ACF e PACF processado

seqncia no-estacionria para estacionrio.
Passo 3: Modelo de reconhecimento. Ao analisar a ACF e PACF, e depois
atravs do critrio de AIC (ou os critrios da SBC) para determinar o modelo de p, d,
valores de q.
Passo 4: estimao de parmetros e diagnstico do modelo. Usando
estimativa da probabilidade mxima para obter todo o valor estimado de parmetros,
e testadas no modelo, o diagnstico se o erro srie residual rudo branco ou no
para determinar a adequao do modelo, se no apropriado para re-estimativa de
parmetros .

Referncias
[1]

Tan Manchun. A Hybrid ARIMA and SVM Model for Traffic Flow Prediction
Based on Wavelet Denoising [J]. Jinan University, Guangdong, 2009, 7: 1~2 (In
Chinese).

[2]

Jiang Songtao. The study of method in short term traffic flow forecasting and
empirical research [D]. Zhejiang University of technology, Zhejiang, 2009,11:
9~12 (In Chinese)

[3]

BATES J M ,GRAN GER C W J.The Combination of forecasts [J]. Operational

Research Quarterly, 1969, 20 (1): 451~468.

[4]

Mallat S G. A theory for multi2resolution signaldecomposition :the wavelet

representation

[J].

IEEETransactions

on

Pattern

Analysis

and

MachineIntelligence , 1989 , 11 (7) : 674~693.

[5]

Wang Baobin. Network traffic prediction based on ARIMA model [J]. Handan
College, Hebei 2008, 9(3): 31~32 (In Chinese).

[6]

Niu Yijun. Application of ARIMA model in semiconductor demand forecasting [J].

University of Shanghai for Science and Technology, Shanghai, 2007, 5: 1~2 (In
Chinese).

[7]

Li hongmei. Prediction of the short traffic flow and visuliazation based matlab [D].
Shandong University of Science and Technology, Shangdong, 2007, 5: 11~12 (In

Chinese).
[8]

Tan Manchun. Traffic Flow Prediction Based on Hybrid ARIMA and ANN Model [J].
Jinan University, Guangdong, 2007, 7 (In Chinese).

[9]

GAO Yong. Wavelet analysis2based NPR prediction of short-term traffic flow [J].
University of Science and Technology of China, An hui, 2008, 12. 1428~1429.

[10] Li

Chunjun. Traffic Prediction Based on Wavelet Analysis [J]. School of Computer

and Communication Engineering, Sichuan, 2003, 12. 7~8